基于Hive的数据立方体实践

原创崔显飞京东技术

Tech
导读
本文主要基于京东集团的大数据平台，详细讲述了使用Hive实现数据立方体的方法。通过阅读本文，读者可了解Hive批处理的通用多维分析技术及调优措施，并应用于生产环境。

概述

在今年的敏捷团队建设中，我通过Suite执行器实现了一键自动化单元测试。Juint除了Suite执行器还有哪些执行器呢？由此我的Runner探索之旅开始了！

基于京东物流业务持续拓展、复杂化，业务侧人员（简称：业务侧）根据业务场景需要从数据角度做经营分析、运营分析或大促监控等。业务侧可以根据仓储、拣运、终端等场景涉及的业务动作、业务环节、业务过程等多维度分析一线操作动作是否标准、工作效率高低等。有些分析需要多个维度、有些分析甚至穷尽所有维度，统计的结果数据集，称之为数据立方体（Data Cube）。通常情况下，工程师思考的第一实现方式是union all，这很有可能会导致代码冗余。然而，通过Hive的高阶函数：with cube、grouping sets、with rollup，同样也可以达到union all的效果，且代码相对简单易维护。

方法简介

理解，首先 MCube 会依据模板缓存状态判断是否需要网络获取最新模板，当获取到模板后进行模板加载，加载阶段会将产物转换为视图树的结构，转换完成后将通过表达式引擎解析表达式并取得正确的值，通过事件解析引擎解析用户自定义事件并完成事件的绑定，完成解析赋值以及事件绑定后进行视图的渲染，最终将目标页面展示到屏幕。从设计稿出发，提升页面搭建效率，亟需解决的核心问题有：

准备样例数据，创建表结构，并将数据加载到所创建的表中：

【SQL】CREATE  TABLE tmp.tmp_hivecube_test  (    `province` string COMMENT '省份',    `city` string COMMENT '城市',    `population` int COMMENT '人口数量'  )  ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'  STORED AS ORC tblproperties  (    'orc.compress' = 'SNAPPY'  );insert into tmp.tmp_hivecube_testselect '北京市','大兴区',260union allselect '北京市','通州区',300

数据插入成功，查询数据：

图1 准备样例数据

2.1 with cube简介

所有参与粒度统计的字段都要写在group by后面，with cube函数会将所有可能的粒度结果统计出来：N维数据模型，通过cube操作，可产生2的N次方种聚合方式。

要求统计各个维度的人口数据？

1. 使用union all方式统计，代码如下：

【SQL】select       province      ,city      ,sum(population)   from tmp.tmp_hivecube_test group by        province      ,cityunion allselect       province      ,null city      ,sum(population)  from tmp.tmp_hivecube_test group by       provinceunion allselect       null province      ,city      ,sum(population)  from tmp.tmp_hivecube_test group by        cityunion allselect       null province      ,null city      ,sum(population)  from tmp.tmp_hivecube_test

统计结果如下：

图2 union all 实现 Data Cube

2. 使用with cube方式，代码如下：

【SQL】select       province      ,city      ,sum(population)  from tmp.tmp_hivecube_test group by       province      ,city with cube

统计结果如下：

图3 with cube 实现 Data Cube

观察对比可知，union all与with cube统计结果一致，但with cube代码风格简洁易读、便于开发维护。

2.2 grouping sets简介

grouping sets可以灵活配置需要聚合的列名，按照用户需求维护聚合列的组合配置即可。假设需要（col1），（col1,col2）两种维度，配置在group by之后即可，不需要的维度不用配置。

要求统计北京市及各区人口数量？

1. 使用union all方式统计，代码如下：

【SQL】select       province      ,city      ,sum(population)   from tmp.tmp_hivecube_test group by        province      ,cityunion allselect       province      ,null city      ,sum(population)  from tmp.tmp_hivecube_test group by       province

统计结果如下：

图4 union all 实现 Data Cube

2. 使用grouping sets方式，代码如下：

【SQL】select       province      ,city      ,sum(population)  from tmp.tmp_hivecube_test group by       province      ,city  grouping sets((province),(province,city))

统计结果如下：

图5 grouping sets 实现 Data Cube

观察对比可知，union all与grouping sets统计结果一致，但grouping sets代码风格简洁易读、便于开发人员灵活配置统计维度。

注意：

（1）grouping sets中的所有字段，必须出现在group by之中；

（2）grouping sets中的所有字段，必须出现在group by之中；grouping sets可包含多种粒度，每种粒度单独使用在英文括号内部，不同粒度之间用逗号间隔。

2.3 with rollup简介

with rollup主要是针对不同粒度数据的聚合处理，从右到左逐层递增（递减）组合计算，不允许左侧为null右侧非null的情况出现。

要求统计北京市及各区人口数量？

1. 使用union all方式统计，代码如下：

【SQL】select       null province      ,null city      ,sum(population)  from tmp.tmp_hivecube_testunion allselect       province      ,null city      ,sum(population)  from tmp.tmp_hivecube_test group by       province   union allselect       province      ,city      ,sum(population)   from tmp.tmp_hivecube_test group by        province      ,city

统计结果如下：

图6 union all 实现 Data Cube

3. 使用with rollup方式，代码如下：

【plain】select       province      ,city      ,sum(population)  from tmp.tmp_hivecube_test group by       province      ,city  with rollup

统计结果如下：

图7 with rollup 实现 Data Cube

观察对比可知，union all与with rollup统计结果一致，但with rollup代码风格简洁易读，更适合按照层级递增（递减）方式聚合。

注意：with rollup对group by后的字段排列顺序要求非常严格，顺序不一样，统计结果也会不一样。

实践避坑

前文已介绍数据cube实践方法，而在实际开发过程中，用户想要不同维度组合信息做统计。可能用户前期不确定想要统计哪些维度，可将历史数据所有维度组合的指标存储起来，用户想要查看数据时，可用grouping__id（grouping与id用2个“_”连接）筛选预期数据。grouping__id是hive内置变量，可以和上文方法配合使用。grouping__id 返回对应于与行关联的 grouping 位向量的数字，在功能上等同于获取多个 grouping函数的结果并将它们连接成一个位向量（一串 1 和 0）。使用 grouping__id = n 的单个条件来识别所需的行，可以避免使用多个 grouping 函数并使行过滤条件更易于表达。

通过实例展示grouping_id使用方法，参考下图：

图8 Hive 内置多维分组标记 grouping_id

了解grouping__id使用方法后，使用with cube方式统计北京市及各区人口数量，grouping_id值为0或2的数据需要剔除，如下图：

图9 grouping_id 使用示例

查询结果并非预期结果，好像grouping__id in (0,1,2,3)的所有数据都被剔除了。查看执行计划：

图10 Hive 执行计划

1.子查询外的where条件在第一个map中被执行；

2.cube执行前，grouping__id已经被赋值默认为‘0’。

通过分析可得，由于grouping__id默认值为‘0’，所以在做条件过滤grouping__id in (1, 3)判断结果为false，导致没有输出结果。其实，这是hive本身执行计划优化导致，称为谓词下推。其是为了将过滤条件提前到子查询中，以达到在map端尽量缩减数据的目的，碰巧遇到grouping__id先赋默认值的内置方法。可以通过增加参数（SET hive.optimize.ppd = false;--默认值为true），关闭谓词下推，可以得到预期结果，参考下图：